في عالم الذكاء الاصطناعي، تمثل تقنية Laplace-Fourier Neural Operator (LFNO) خطوة مبتكرة نحو فهم نماذج الأنظمة الديناميكية بشكل أكثر فعالية. يعتمد LFNO على هيكل ثنائي الفروع يقوم بتفكيك الديناميات الخاصة بالأنظمة إلى مكونين رئيسيين: الديناميات العابرة (transient dynamics) والديناميات المستقرة (steady-state dynamics).

اجتاز LFNO مجموعة من الاختبارات المعيارية المعقدة، حيث تم تقييمه على تسعة نماذج، تشمل ثلاثة أنظمة معادلات تفاضلية عادية (Ordinary Differential Equations - ODE) مثل نظام دوفينغ (Duffing) ونظام لورنتز (Lorenz) ونظام البندول (Pendulum)، بالإضافة إلى ستة أنظمة معادلات تفاضلية جزئية (Partial Differential Equations - PDE) تتضمن أنظمة معقدة مثل شعاع أويلر-بيرنولي (Euler-Bernoulli beam) ومشكلة التفاعل والانتشار (Reaction-diffusion).

أظهرت النتائج أن LFNO يتفوق على العديد من التقنيات الأخرى في النماذج التي تسيطر عليها الديناميات العابرة، كما يتمتع بقدرة تنافسية مع نماذج فورييه (FNO) على نماذج PDE. كما يوفر LFNO مستوى أعلى من الاستقرار والتفسير الفيزيائي بفضل تفكيكه المستمر للديناميات.

يشير هذا الابتكار إلى أن LFNO لا يقدم فقط طريقة قوية وموحدة لتعلم أنظمة ديناميكية معقدة عبر مقاييس زمنية متعددة، بل يعيد تعريف كيفية تعاملنا مع تحليل البيانات في الذكاء الاصطناعي.